权威国防科技信息门户
国防科技大数据智能情报平台
DSTIS征订中
DPS国防术语智能定位系统
国外国防科技文献资料快报
公告:
DSTIS国防军工信息资源内网服务系统2020年征订开始  
人工智能在“平凡的”军事任务中也能发挥作用
2021-09-23

[Nextgov网站2021922日报道] 我收到了很多关于我最近几篇关于无人机、模拟和人工智能新用途的专栏的反馈。其中的一个专栏描述了一种新的人工智能技术,能够利用蜜蜂群中的蜂群智能来做一些惊人的事情,比如控制气象卫星,这引起了很多人的注意。

我收到的大部分反馈来自联邦机构和从事未来人工智能项目的信息技术公司。我可能会在不久的将来重点介绍其中的一些。其中一家名为Hypergiant的公司的反馈让我颇感兴趣。他们的工作是与美国陆军的机器人作战车辆项目合作,但合作目标不是关于先进的战斗技术,而是利用人工智能来协助预测性维护任务。

Hypergiant公司成立于2018年,是一家企业人工智能公司,专注于开发改变世界的技术,以解决空间、国防和关键基础设施等领域的世界最大问题。

维护工作在军队中至关重要,这是一个很好的例子,说明现在可以利用人工智能来帮助改善操作。它可能看起来有点平凡,但从长远来看,采用人工智能进行常规任务可能会产生很大的影响。我与Hypergiant工业公司的空间和防御总经理Quentin Donnellan讨论了如何利用人工智能和其他类似的技术,如机器学习,来提高军事环境中的效率和改善操作。

Nextgov:人工智能如何用于通常由人类执行的“平凡”任务,如设置车辆维修时间表?

Donnellan我们的目标是使车辆维修的操作更有效率。我们的军人在非常乏味、非常手动、坦率地说是非常低效的维修程序上花费了大量的时间。对我们来说,项目如果成功将意味着军队车组能够得到更有效的利用,我们的士兵们能参与到需求更高认知的任务中,从而为国防提供更具能力和成本效益的力量。

Nextgov:尽管它不像自主军用车辆内的人工智能那样令人瞩目,但由人工智能来控制这些车队的维护,是否可以在很大程度上确保它们有一个长而有用的寿命?

Donnellan是这样的。自主车辆有一个直接的需求,即利用人工智能对环境刺激作出反应,并执行实时行动,如避开障碍物或导航到感兴趣的物品。但随着时间的推移,我们也可以利用人工智能和机器学习来发现数据中的模式。这些模式可能与车辆的性能或材料状况有关,如果是这样,我们可以用它们来通知维修计划。

Nextgov:当涉及到自动驾驶汽车的安全时,为什么预测性维护会如此重要?

Donnellan显而易见,通过更准确地预测关键部件的故障时间,你可以直接减少车辆故障的数量。如果我们谈论的是无人车,这应该意味着更少的碰撞,从而减少伤害。如果我们谈论的是乘用车,预测系统有可能识别轮胎故障,减少严重事故的发生。

这里的价值并不只体现于自动驾驶汽车的,还体现在财务方面,我认为这对自动驾驶汽车的影响重大。这些车辆可能在人类难以到达或人口稀少的地方运行。因此设备故障可能需要昂贵的人工干预,而这种干预可能在很长一段时间内都无法解决,所以预测性维护确实有助于减少人类维修员必须到现场修理损坏的机器人车辆的次数。

Nextgov:那么你们的人工智能是如何处理预测性维护的?它是如何工作的,它考虑哪些因素或数据库的信息?

Donnellan这真的是因具体情况而异。一般来说,维护系统有几个层次,如车辆上的传感器收集有关车辆的数据,如压力、温度和电压。这些数据可能会被运行在车辆上的机器学习算法处理,如果需要的话,也会向本地操作员发送警报,以便立即作出反应。然后,这些数据也被发送到一个中心,在那里不同的机器学习算法正在观察长期运行的趋势。

在最高级别,来自车队所有车辆的数据被收集并汇总到基于云的数据存储中,你可以让操作员根据对车队状态的整体看法来安排维修活动。这可能包括根据系统的判断,主动订购新的零件或消耗品。

Nextgov:在车辆零部件方面,维修人工智能是否也能对军队的供应链产生影响?

Donnellan是的,坦率地说,这是预测性维修对商业影响最大的地方。另外,如果你已经建立了一个根据车辆状况预测供应链需求的模型,那么我们就可以根据假设的车队状况来模拟一系列的供应链需求场景。例如,我们可能想模拟一个事件,即车辆在很长一段时间内经历一个异常炎热的环境。这是否会影响我的预测模型,如果是的话,从供应链的角度来看,这意味着什么?这类推断是非常强大的。

Nextgov:大多数人工智能都需要训练,机器学习更是如此。让你的人工智能加速并熟练掌握预测性维护的过程是怎样的?

Donnellan这也许是机器学习最具挑战性的方面之一,甚至是最具挑战性的方面,因为产生预测性见解的模型只有在它们被训练过的数据中才是最好的。为模型配备准确标记的数据,并在必要时用新训练的模型替换旧模型,这是一场持久战。

更新在车辆上运行的机器学习算法可能很棘手,因为这些车辆可能并不总是连接到互联网或软件开发人员发送更新的网络。我们所做的大部分工作都围绕着建立一个数字基础设施,使机器学习工程师能够重新训练和重新发布模型,甚至是边缘部署的计算机,如那些运行在自动驾驶汽车上的计算机。

所有这些的另一个关键因素是监测车辆传感器收集的数据,并验证它是否与机器学习模型训练的数据相符。对于军队来说,你还必须明白,任何被部署到安全系统的软件更新都必须经过审核过程。找到一种方法来快速部署重新训练的机器学习模型,并且不违反安全工作流程,是一个真正的挑战。

Nextgov:这听起来很好,但是需要明确的是,最终人工智能不会取代人类技术人员,对吗?它在做很多后台工作,很多繁琐的事情,但最终还是要把维修责任交给人类?

Donnellan是的,在一天结束的时候,对车辆进行的维护基本上和以前一样,只是信息量更大。人工智能也许能告诉你什么时候需要更换汽车机油,但它不能为你更换机油——至少,那是一个完全不同的系统。

Nextgov:如果你们能够证明人工智能预测性维护在军队中的价值,下一步是什么?是否有超越车辆维护计划的价值?

Donnellan展望未来,一旦我们证明了将人工智能和机器学习整合到车辆维护中的价值,我们就会希望将预测性技术应用到任何随着时间推移而退化的设备中。(国家工业信息安全发展研究中心 刘彧宽)


相关新闻

DSTIS 国防科技工业信息服务系统
中国核科技信息与经济研究院 中国航天系统科学与工程研究院 中国航空工业发展研究中心
中国船舶工业综合技术经济研究院 中国船舶信息中心 北方科技信息研究所 工业和信息化部电子科学技术情报研究所
国防科技信息网 dsti.net © 2006 - 2021 版权所有 | 京ICP备10013389号-1 | 公安备案号:11010802036354